Zi 字媒體

今天想來看看 AI 是怎樣作曲的。本文會用 TensorFlow 來寫一個音樂生成器。當你對一個機器人說：我想要一種能夠表達出希望和奇迹的歌曲時，發生了什麼呢？計算機會首先把你的語音轉化成文字，並且提取出關鍵字，轉化成詞向量。然後會用一些打過標籤的音樂的數據，這些標籤就是人類的各種情感。接著通過在這些數據上面訓練一個模型，模型訓練好后就可以生成符合要求關鍵詞的音樂。程序最終的輸出結果就是一些和弦，他會選擇最貼近主人所要求的情感關鍵詞的一些和弦來輸出。當然你不只是可以聽，也可以作為創作的參考，這樣就可以很容易地創作音樂，即使你還沒有做到刻意練習 1 萬小時。機器學習其實是為了擴展我們的大腦，擴展我們的能力。DeepMind 發表了一篇論文，叫做 WaveNet, 這篇論文介紹了音樂生成和文字轉語音的藝術。通常來講，語音生成模型是串聯。這意味著如果我們想從一些文字的樣本中來生成語音的話，是需要非常大量的語音片段的 資料庫，通過截取它們的一部分，並且再重新組裝到一起，來組成一個完整的句子。生成音樂也是同樣的道理，但是它有一個很大的難點：就是當你把一些靜止的組件組合到一起的時候，生成聲音需要很自然，並且還要有情感，這一點是非常難的。一種理想的方式是，我們可以把所有生成音樂所需要的信息存到模型的參數裡面。也就是那篇論文里講的事情。我們並不需要把輸出結果傳給信號處理演算法來得到語音信號，而是直接處理語音信號的波。他們用的模型是 CNN。這個模型的每一個隱藏層中，每個擴張因子，可以互聯，並呈指數型的增長。每一步生成的樣本，都會被重新投入網路中，並且用於產生下一步。我們可以來看一下這個模型的圖。輸入的數據，是一個單獨的節點，它作為粗糙的音波，首先需要進行一下預處理，以便於進行下面的操作。接著我們對它進行編碼，來產生一個 Tensor，這個 Tensor 有一些 sample 和 channel。然後把它投入到 CNN 網路的第一層中。這一層會產生 channel 的數量，為了進行更簡單地處理。然後把所有輸出的結果組合在一起，並且增加它的維度。再把維度增加到原來的 channel 的數量。把這個結果投入到損失函數中，來衡量我們的模型訓練的如何。最後，這個結果會被再次投入到網路中，來生成下一個時間點所需要的音波數據。重複這個過程就可以生成更多的語音。這個網路很大，在他們的 GPU 集群上需要花費九十分鐘，並且僅僅只能生成一秒的音頻。接下來我們會用一個更簡單的模型在 TensorFlow 上來實現一個音頻生成器。1.引入 packages:數據科學包 Numpy ，數據分析包 Pandas，tqdm 可以生成一個進度條，顯示訓練時的進度。import numpy as npimport pandas as pdimport msgpackimport globimport tensorflow as tffrom tensorflow.python.ops import control_flow_opsfrom tqdm import tqdmimport midi_manipulation我們會用到一種神經網路的模型 RBM－Restricted Boltzmann Machine 作為生成模型。它是一個兩層網路：第一層是可見的，第二層是隱藏層。同一層的節點之間沒有聯繫，不同層之間的節點相互連接。每一個節點都要決定它是否需要將已經接收到的數據發送到下一層，而這個決定是隨機的。2.定義超參數：先定義需要模型生成的 note 的 rangelowest_note = midi_manipulation.lowerBound #the index of the lowest note on the piano rollhighest_note = midi_manipulation.upperBound #the index of the highest note on the piano rollnote_range = highest_note-lowest_note #the note range接著需要定義 timestep ，可見層和隱藏層的大小。num_timesteps =15#This is the number of timesteps that we will create at a timen_visible =2*note_range*num_timesteps #This is the size of the visible layer. n_hidden =50#This is the size of the hidden layer訓練次數，批量處理的大小，還有學習率。num_epochs =200#The number of training epochs that we are going to run. For each epoch we go through the entire data set.batch_size =100#The number of training examples that we are going to send through the RBM at a time. lr = tf.constant(0.005 tf.float32)#The learning rate of our model3.定義變數：x 是投入網路的數據 w 用來存儲權重矩陣，或者叫做兩層之間的關係 此外還需要兩種 bias，一個是隱藏層的 bh，一個是可見層的 bvx = tf.placeholder(tf.float32[None n_visible], name="x")#The placeholder variable that holds our dataW = tf.Variable(tf.random_normal([n_visible n_hidden],0.01), name="W")#The weight matrix that stores the edge weightsbh = tf.Variable(tf.zeros([1 n_hidden], tf.float32 name="bh"))#The bias vector for the hidden layerbv = tf.Variable(tf.zeros([1 n_visible], tf.float32 name="bv"))#The bias vector for the visible layer接著，用輔助方法 gibbs_sample 從輸入數據 x 中建立樣本，以及隱藏層的樣本：gibbs_sample 是一種可以從多重概率分佈中提取樣本的演算法。 它可以生成一個統計模型，其中，每一個狀態都依賴於前一個狀態，並且隨機地生成符合分佈的樣本。#The sample of xx_sample = gibbs_sample(1)#The sample of the hidden nodes, starting from the visible state of xh = sample(tf.sigmoid(tf.matmul(x W) bh))#The sample of the hidden nodes, starting from the visible state of x_sample4.更新變數：size_bt = tf.cast(tf.shape(x)[0], tf.float32)W_adder = tf.mul(lr/size_bt tf.sub(tf.matmul(tf.transpose(x), h), tf.matmul(tf.transpose(x_sample), h_sample)))bv_adder = tf.mul(lr/size_bt tf.reduce_sum(tf.sub(x x_sample),0True))bh_adder = tf.mul(lr/size_bt tf.reduce_sum(tf.sub(h h_sample),0True))#When we do sess.run(updt), TensorFlow will run all 3 update stepsupdt =[W.assign_add(W_adder), bv.assign_add(bv_adder), bh.assign_add(bh_adder)]5.接下來，運行 Graph 演算法圖：1.先初始化變數with tf.Sessionas sess: #First, we train the model #initialize the variables of the model init = tf.initialize_all_variables sess.run(init)首先需要 reshape 每首歌，以便於相應的向量表示可以更好地被用於訓練模型。 for epoch in tqdm(range(num_epochs)): for song in songs: #The songs are stored in a time x notes format. The size of each song is timesteps_in_song x 2*note_range #Here we reshape the songs so that each training example is a vector with num_timesteps x 2*note_range elements song = np.array(song) song = song[:np.floor(song.shape[0]/num_timesteps)*num_timesteps] song = np.reshape(song[song.shape[0]/num_timesteps song.shape[1]*num_timesteps])2.接下來就來訓練 RBM 模型，一次訓練一個樣本 for i in range(1 len(song), batch_size): tr_x = song[i:i batch_size] sess.run(updt feed_dict={x: tr_x})模型完全訓練好后，就可以用來生成 music 了。3.需要訓練 Gibbs chain其中的 visible nodes 先初始化為 0，來生成一些樣本。 然後把向量 reshape 成更好的格式來 playback。 sample = gibbs_sample(1).eval(session=sess feed_dict={x: np.zeros((10 n_visible))}) for i in range(sample.shape[0]): ifnot any(sample[i,:]): continue #Here we reshape the vector to be time x notes, and then save the vector as a midi file S = np.reshape(sample[i,:],(num_timesteps2*note_range)) midi_manipulation.noteStateMatrixToMidi(S"generated_chord_{}".format(i))綜上，就是用 CNN 來參數化地生成音波， 用 RBM 可以很容易地根據訓練數據生成音頻樣本， Gibbs 演算法可以基於概率分佈幫我們得到訓練樣本。 題圖：pexels，CC0 授權。